@qinyun 2018-12-20T17:37:43.000000Z 字数 1684 阅读 1241

个数是如何用大数据做行为预测的？

未分类

个数是个推旗下的一款移动App数据分析产品，利用无埋点技术从用户属性、渠道质量、行业对比等多指标对App进行自定义事件统计和卸载分析功能，前者统计用户埋点的发生次数、时间、变化趋势等，后者可了解App各渠道的卸载数和卸载趋势，同时还能分析卸载的用户流向同类App的数量，预测用户关键行为。

在这个过程中，个数主要运用了可视化埋点和行为预测，在下文中，我们将详细剖析这两种技术。

可视化埋点

众所周知，数据埋点采集模式有自动埋点、无痕埋点、可视化埋点，那么，个数为什么会选用可视化埋点呢？个数认为可视化埋点不需对数据追踪点添加任何代码，用户通过设备连接管理台，对页面可埋点的元素圈圈点点，即可添加随时生效的界面追踪点。

可视化埋点解决了埋点成本过大的缺点，它具有以下特性：

换而言之，可视化埋点不仅可以节约企业成本，还可以提高开发人员和运营人员的工作效率。

个数的行为预测主要包括流失预测、卸载预测、付费预测等，它的原理是基于App历史行为数据，构建算法模型，预测用户关键行为，达到用户精细化运营和全生命周期管理的目的。

在这里需要注意的是，个数的行为预测与电商平台常用的个性化推荐不同，后者主要是基于用户近期的行为，如浏览记录、购买记录而推出用户可能需要的东西，而个数是基于App各渠道的卸载数和卸载趋势，更多的是对人群的聚类分析，而非仅仅基于个人的行为。

个数的行为预测主要分为以下几个步骤：

1.找样本，主要是从历史数据库中抽取；

2.特征抽取，将用户与数据库打通，做用户ID匹配；

3.特征筛选，保留相关性高的或有价值的特征；

4.模型训练，将保留下来的特征放到模型中训练；

5.参数优化，如果出来的效果不满意，可以返回调整参数重新走一次以上流程。

在这里，我们需要详细讲解一下模型训练，在模型训练过程中，个数一共用了三种方法，分别是聚类分析、逻辑回归、深度学习。

聚类分析是无监督学习的重要范畴，主要用于个数的分类预测中，它的数据在最开始的时候是没有类别标记的，需要用算法提取出一定的规律，将其分类到不同的类或者簇中，同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性，这就是聚类分析的特点。

个数就是基于全量人群，结合它的安装卸载，以及线上、线下其他的纬度把人群做出归类，然后同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性，预测对象对某类APP的兴趣程度，或者对某类APP的流程情况做个对应关系，整个建模过程就算完成了。

通过机器学习，个推构建了独有的冷、热、温标签，用以分析不同群体的基础属性和行为特征，描绘用户的精准画像，最终运用于智能推送和精准营销。

为了避免机器学习平台建设中出现的常见问题，个数的建模平台会提供相应的IDE以及呈现相应特征的管理系统，同时还能提供标准化的ID匹配服务和数据抽取服务，减少工程师的重复工作。此外，个推提供的打包部署服务和后续监控服务，也能够帮助企业保证平台的顺利运行。

个推表示，想要完成机器学习平台的建设，需要注意三大要点：

最后，个数的大数据专家表示机器学习的模型十分复杂，虽然在数据处理上效果非常好，但是结果不可解释，所以需谨慎使用，因为机器学习在某一个场景下得出的数据非常准确，但是换个场景，可能不一定适用。

除了聚类分析和深度学习，个数在流失客户预测上还用到了逻辑回归，个数的专家认为逻辑回归的模型相对深度学习简单一些，而且在特征筛选上处理得特别好，结果好解释，也很稳定，这是它最大的优点，现已广泛应用于银行、工业等行业中。

接下来个数还将进入商品推荐领域，开发精准推荐技术，在这个纬度上，不断挖掘大数据的潜力，并结合客户反馈的数据做进一步的优化，以及客户提供部分的样品数据做更深入的训练学习，大家敬请期待。